近日，开云·体育（Kaiyun Sports）官方网站信息科学与工程学院吴日恒教授团队、潘浩副教授团队和深圳大学廖斌教授团队合作，在车联网通感一体化智能资源分配与轻量化多智能体强化学习研究方面取得重要进展。相关论文以"Graph-Fused Independent Q-Learning for Resource Allocation in ISAC-V2X Networks"为题, 在《Internet of Things Journal》(IoTJ) 上发表。潘浩副教授为第一作者，研究生刘铭华为第二作者，吴日恒教授为通信作者，超算中心董晓亮老师参与了本研究工作，开云·体育（Kaiyun Sports）官方网站为第一署名单位。
本研究面向未来智能驾驶与6G车联网应用，构建了一个模拟城市复杂道路交通的通信与感知场景。在这一场景中，车辆不仅需要与基站保持通信，还需要与周围车辆实时交换信息，并通过雷达感知周边环境。然而，随着车辆数量增加，有限的无线资源容易引发信号干扰，影响信息传输的及时性和环境感知的准确性。
在该复杂城市场景中，通信与感知任务共享有限无线资源，如何协同优化两类任务性能成为了待攻克的核心问题。集成感知与通信（ISAC）已成为下一代车联网（V2X）网络的一个里程碑式范式。然而，频谱分配、功率选择以及运行过程中通信与感知之间的权衡，造成了显著的非凸优化瓶颈和维度爆炸问题。传统的串行网络框架面临着表征不稳定性、需要重新训练以实现泛化能力以及计算复杂度高等挑战。为应对这些挑战，我们提出了一种名为“图融合独立Q学习”（GF-IQL）的创新性端到端多智能体强化学习框架。具体而言，我们通过后期融合来缓解表征不稳定性问题。我们利用全图传播来解决图聚合中运行时间长和复杂度高的问题。此外，我们证明了所提出的架构具有置换不变性和可扩展性，其可训练参数的维度与图节点数量无关。为车联网通感一体化智能资源分配提供了理论和实验支撑。
本研究得到了山东省自然科学基金面上项目、国家自然科学基金等资助。
DOI: 10.1109/JIOT.2026.3744063
编 辑：万 千
审 核：贾 波
